·1730· 工程科学学报，第38卷，第12期 (bi 裂纹领谱 划伤频谱 3000 3000 2500 2500 2000 2000 盞150 划伤 1500 1000 1000 500米 500 102030405060 1020304050 60 裂纹LBP图谱 LBP值 LBP值 划伤LBP图谱 (c) 压痕频谱 d 2500 3000 凹坑颜谱 2000 2500 2000 1500 裂纹 1000 凹坑 1000 500 500 iei 00 102030405060 LBP值 LBP值 裂纹LBP图谱 凹坑LBP图谱 (e) 正常样本凝谱 5000 4000 3000 正常样本 2000 1000 10 203040 50 60 LBP值 正常样本LBP图谱 图2连铸坯表面图像样本的LBP频谱.(a)裂纹：(b)划伤：(c)压痕：(d)凹坑：(c)无缺陷 Fig.2 LBP spectra of surface image samples from continuous casting slabs:(a)crack;(b)scratch:(c)indentation:(d)dent;(e)no defect L.4多块LBP特征 2连铸坯表面缺陷分类 多块LBP(multi-block LBP,MB-LBP)Io的基本思 想是：首先将原始图像划分为3×3或4×4等小区域 2.1实验算法流程 以3×3为例，将3×3的区域的每一个子区域都再进 如图3所示，实验算法流程如下. 行等分，每个等分的矩形区域包含的像素点数目都相 (1)对原始图像进行分块，并计算区块的平均灰 等.然后计算每个子区域的平均灰度值，把每一个的 度值.将原图像分为n×n(n=1,2,3,4,…)的小区 矩形区域的平均灰度值与中心矩形的矩形区域的平均 块，然后以小区块内灰度均值作为该区块的灰度值 灰度值进行比较得到一个灰度差值，如果灰度差值与 当n=I时即为普通LBP算子. 中心灰度值的对比度比较大（可以通过实验设置一个 (2)二值化.以每个小区块为中心半径为1的8 或两个阈值来定义对比度大小)，则设为1，否则为0. 个邻域作为采样区块，比较采样区块与中心区块的灰 最后把得到的0和1串联得到二进制模式编码，得到 度差值大小，标定采样区块为1或者0. MB-LBP特征值.特征值判断不再简单依赖邻域像素 (3)计算MB-BP模式.根据标定的采样区块二 与中心像素的灰度值比较，而是采用其灰度差值与中 进制数来标记中心区块的模式。 心像素灰度值的百分比作比较，这样可以增强MB-LBP (4)特征提取.统计LBP模式图谱生成灰度直方 的鲁棒性，提高其分类识别能力 图特征作为该图像的特征向量 同样地，对于MB-LBP模式也可以进行等价模式 (5)支持向量机分类.将训练样本集和测试样本 转换，例如对于MB-LBP模式进行等价模式的转换，可 集的所有样本图像通过步骤(1)~(4)进行特征提取 令式(1)中P=8,从而得到最终的MB-LBP算子. 并将得到的MB-LBP频谱特征向量送入支持向量机进工程科学学报，第 38 卷，第 12 期 图 2 连铸坯表面图像样本的 LBP 频谱． ( a) 裂纹; ( b) 划伤; ( c) 压痕; ( d) 凹坑; ( e) 无缺陷 Fig． 2 LBP spectra of surface image samples from continuous casting slabs: ( a) crack; ( b) scratch; ( c) indentation; ( d) dent; ( e) no defect 1. 4 多块 LBP 特征 多块 LBP ( multi-block LBP，MB-LBP) ［10］的基本思 想是: 首先将原始图像划分为 3 × 3 或 4 × 4 等小区域． 以 3 × 3 为例，将 3 × 3 的区域的每一个子区域都再进 行等分，每个等分的矩形区域包含的像素点数目都相 等． 然后计算每个子区域的平均灰度值，把每一个的 矩形区域的平均灰度值与中心矩形的矩形区域的平均 灰度值进行比较得到一个灰度差值，如果灰度差值与 中心灰度值的对比度比较大( 可以通过实验设置一个 或两个阈值来定义对比度大小) ，则设为 1，否则为 0． 最后把得到的 0 和 1 串联得到二进制模式编码，得到 MB-LBP 特征值． 特征值判断不再简单依赖邻域像素 与中心像素的灰度值比较，而是采用其灰度差值与中 心像素灰度值的百分比作比较，这样可以增强MB-LBP 的鲁棒性，提高其分类识别能力． 同样地，对于 MB-LBP 模式也可以进行等价模式 转换，例如对于 MB-LBP 模式进行等价模式的转换，可 令式( 1) 中 P = 8，从而得到最终的 MB-LBPu2 8，1算子． 2 连铸坯表面缺陷分类 2. 1 实验算法流程 如图 3 所示，实验算法流程如下． ( 1) 对原始图像进行分块，并计算区块的平均灰 度值． 将原图像分为 n × n ( n = 1，2，3，4，…) 的小区 块，然后以小区块内灰度均值作为该区块的灰度值． 当 n = 1 时即为普通 LBP 算子． ( 2) 二值化． 以每个小区块为中心半径为 1 的 8 个邻域作为采样区块，比较采样区块与中心区块的灰 度差值大小，标定采样区块为 1 或者 0． ( 3) 计算 MB-LBP 模式． 根据标定的采样区块二 进制数来标记中心区块的模式． ( 4) 特征提取． 统计 LBP 模式图谱生成灰度直方 图特征作为该图像的特征向量． ( 5) 支持向量机分类． 将训练样本集和测试样本 集的所有样本图像通过步骤( 1) ～ ( 4) 进行特征提取 并将得到的 MB-LBP 频谱特征向量送入支持向量机进 ·1730·